基于数据增强策略优化脑电图癫痫发作检测的跨方法学系统评价

【编辑推荐】针对癫痫EEG数据中类别失衡导致的模型灵敏度下降问题，研究者系统评估了12种数据增强方法（如MagWarp、ScalingMulti等）在多种分类器中的表现，发现上述方法在波形保真度、频谱一致性及特征可分性方面表现最优。该研究为临床癫痫自动诊断系统提供了可落地的技术选择，发表于《Computers in Biology and Medicine》。

　　

癫痫作为一种全球影响超5000万人的神经系统疾病，其发作时异常的神经元放电可通过脑电图(EEG)捕捉。然而，临床上面临两大挑战：一是EEG数据中癫痫发作片段占比极低（如CHB-MIT数据库中仅1:931），导致机器学习模型对发作事件识别灵敏度(SEN)不足；二是传统人工判读需耗费大量专业人力。尽管数据增强技术被提出用于缓解数据失衡，但既往研究存在方法单一、评估维度局限等问题。

为此，研究人员开展了一项系统性研究，对12种EEG数据增强方法进行多维度评估。研究采用CHB-MIT数据库的24例患者EEG数据，通过Magnitude Warping（MagWarp）、Scaling、ScalingMulti等方法生成增强样本，并采用支持向量机(SVM)等5种分类器验证效果。关键技术包括：基于离散小波变换(DWT)的时序数据合成、功率谱密度(PSD)分析评估频谱失真、t-SNE可视化特征可分性等。

数据增强方法对EEG数据的影响
研究对比了包括噪声注入(Jittering)、幅值缩放(Scaling)、通道协同变换(ScalingMulti)等12种技术。其中MagWarp通过非线性扭曲信号幅值保留关键波形特征，ScalingMulti则实现多通道EEG的同步增强。

结果分析
在100倍增强比例下，MagWarp、Scaling和ScalingMulti在5种分类器中表现最优。以随机森林为例，三者分别使灵敏度提升至89.2%、87.6%和86.3%。波形分析显示，这些方法生成的EEG信号在时域形态（如图1(f)）和频域特征（图4(a)的4-8Hzθ波）均与原始数据高度一致。

讨论与结论
该研究首次建立了一套涵盖分类性能、信号保真度、计算效率的标准化评估框架。MagWarp等方法的优势在于：① 保持癫痫特异性放电模式（如棘慢波复合体）；② 避免频域伪影干扰临床判读；③ 特征空间分析显示增强样本与真实发作数据在t-SNE降维图中重叠率达82%。这些发现为《Computers in Biology and Medicine》期刊提供了可直接应用于临床EEG分析的技术路径，未来可整合至住院患者实时监测系统。

研究团队Yao Guo等强调，相较于复杂模型改进，数据增强具有更好的临床兼容性。例如ScalingMulti通过保持跨通道相位关系（如Fp1-F7导联），更符合癫痫异常放电的传播特性。该成果不仅适用于癫痫，对睡眠分期、脑机接口(BCI)等EEG分析领域均有借鉴价值。